遗传算法GAOT工具箱1 遗传算法工具箱

前一阵子搞了一些遗传算法的东西,使用的是gaot遗传算法工具箱,这个算法工具箱还是蛮使用的,不过貌似很久不更新了,将就用吧!

貌似网上下载的工具箱代码有错误,不妨检查一下,f2b函数需要如下修改

function [bval] = function(fval,bounds,bits)改为function [bval] =f2b(fval,bounds,bits)

工具箱中的Contents.m文件包含了各个文件的介绍,主要的两个函数是ga.m和initializega.m,前者是遗传算法的训练函数,后者是产生初始种群的函数。核心函数说明如下:

(1)function[pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数

【输出参数】

pop--生成的初始种群

【输入参数】

num--种群中的个体数目

bounds--代表变量的上下界的矩阵

eevalFN--适应度函数

eevalOps--传递给适应度函数的参数

options--选择编码形式(浮点编码或是二进制编码)[precisionF_or_B],如

precision--变量进行二进制编码时指定的精度

F_or_B--为1时选择浮点编码,否则为二进制编码,由precision指定精度)

(2)function[x,endPop,bPop,traceInfo]=ga(bounds,evalFN,evalOps,startPop,opts,...

termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传算法函数

【输出参数】

x--求得的最优解

endPop--最终得到的种群

bPop--最优种群的一个搜索轨迹

【输入参数】

bounds--代表变量上下界的矩阵

evalFN--适应度函数

evalOps--传递给适应度函数的参数

startPop-初始种群

opts[epsilonprob_opsdisplay]--opts(1:2)等同于initializega的options参数,第三个参数控制是否输出,一般为0。如[1e-610]

termFN--终止函数的名称,如['maxGenTerm']

termOps--传递个终止函数的参数,如[100]

selectFN--选择函数的名称,如['normGeomSelect']

selectOps--传递个选择函数的参数,如[0.08]

xOverFNs--交叉函数名称表,以空格分开,如['arithXoverheuristicXoversimpleXover']

xOverOps--传递给交叉函数的参数表,如[20;23;20]

mutFNs--变异函数表,如['boundaryMutationmultiNonUnifMutationnonUnifMutationunifMutation']

mutOps--传递给交叉函数的参数表,如[400;61003;41003;400]

网站http://www.caogenit.com/caogenxueyuan/yingyongfangxiang/rengongzhineng/1092.html里有代码的使用的例子。

此工具箱中自带了几个例子,很有参考价值

% Demonstrations

% gademo1.m Introductory demo ofGAOT

% gademo2.m Multi-dimensional demo of GAOT

% gademo3.m Reference for GAOT

% floatExample.m Example usingfloat representation

% floatGradExample.m Example exploring learning(Lamarckian andBaldwinian)

遗传算法GAOT工具箱1 遗传算法工具箱

% binaryExample.m Example usingbinary representation

% orderBasedExample.m Example using order-basedrepresentation

gademo1脚本一步一步解释给你工具箱的使用过程

gademo2貌似是个多维的例子,意义不大

gademo3全是文字介绍,说明了工具箱的各个函数的意义

floatExample介绍了使用浮点型编码的一个使用实例

binaryExample介绍了一个使用二进制编码的实例,这两个实例基本把这个工具箱用法介绍齐了。不过这两个例子每步都会停下来,直接看代码就行了。

如下代码从gademo1中整理而来

% 遗传算法测试

clc

close all

clear all

bound = [0 9]; % 设置x的范围

% 原函数

figure

fplot('x + 10*sin(5*x)+7*cos(4*x)',bound) % 绘制函数图形

hold on

% 产生初始种群

initPop = initializega(10,bound,'gaDemo1Eval_GJ'); %10表示初始种群的个数,默认是浮点编码

plot(initPop(:,1),initPop(:,2),'g+') % 绘制初始种群

% 遗传一代的结果

[x endPop] = ga(bound,'gaDemo1Eval_GJ',[],initPop,[1e-6 11],'maxGenTerm',1,...

'normGeomSelect',[0.08],['arithXover'],[20],'nonUnifMutation',[2 1 3]); %gaDemo1Eval_GJ里需要按标准的格式编写,其他参数为设置遗传算法的参数

plot(endPop(:,1),endPop(:,2),'ro')

% 遗传25代的结果

[x endPop bpop trace] =ga(bound,'gaDemo1Eval_GJ',[],initPop,[1e-6 11],'maxGenTerm',25,...

'normGeomSelect',[0.08],['arithXover'],[2],'nonUnifMutation',[225 3]);

plot (endPop(:,1),endPop(:,2),'y*')

% 看遗传效果

figure

plot(trace(:,1),trace(:,3),'y-')

hold on

plot(trace(:,1),trace(:,2),'r-')

legend({'the best solution', 'the average of thepopulation'})

xlabel('Generation');

ylabel('Fittness');

其中的gaDemo1Eval_GJ函数代码如下

function [sol, val] = gaDemo1Eval_GJ(sol,options)

% f(x)=x+10sin(5x)+7cos(4x)

%

% val - the fittness of this individual

% sol - the individual, returned to allow for Lamarckianevolution

% options - [current_generation]

%

% Note that the evaluation function must take twoparameters,

% sol and options. Sol is a row vector ofn+1 elements where

% the first n elements are the parametersof interest. The

% n+1'th element is the value of thissolution. The options

% matrix is a row matrix of

% [current generation, eval options]

x = sol(1);

val = x + 10*sin(5*x)+7*cos(4*x);

end

运行结果如下,其中绿色点为初始种群,红色为一次遗传算法的结果,黄色点为25次遗传算法的结果,可以看到都已经收敛到了全局最大值点。

下面的图形表示了遗传算法的整个遗传过程

  

爱华网本文地址 » http://www.413yy.cn/a/25101010/30957.html

更多阅读

遗传算法GAOT工具箱1 遗传算法工具箱

前一阵子搞了一些遗传算法的东西,使用的是gaot遗传算法工具箱,这个算法工具箱还是蛮使用的,不过貌似很久不更新了,将就用吧!貌似网上下载的工具箱代码有错误,不妨检查一下,f2b函数需要如下修改function [bval] = function(fval,bounds,bi

遗传算法 遗传算法属于什么算法

遗传算法(Genetic Algorithms)简介一、遗传算法的历史和现状遗传算法(Genetic Algorithms)是基于生物进化理论的原理发展起来的一种广为应用的、高效的随机搜索与优化的方法。其主要特点是群体搜索策略和群体中个体之间的信息交换,搜索

matlab遗传算法工具箱函数及实例讲解 遗传算法工具箱及应用

最近研究了一下遗传算法,因为要用遗传算法来求解多元非线性模型。还好用遗传算法的工具箱予以实现了,期间也遇到了许多问题。借此与大家分享一下。首先,我们要熟悉遗传算法的基本原理与运算流程。基本原理:遗传算法是一种典型的启发

声明:《遗传算法GAOT工具箱1 遗传算法工具箱》为网友猥琐怪人分享!如侵犯到您的合法权益请联系我们删除